Perpustakaan Digital ITB

Layanan jaringan komputer menjadi bagian penting dalam mendukung proses bisnis sistem ketenagalistrikan yang handal. Proses bisnis operasional kantor dan layanan di perusahaan PT PLN (Persero) seperti billing management, penjualan, kepegawaian, pengadaan, pelayanan gangguan, dan remote perangkat saat ini sebagian besar diakses menggunakan aplikasi Web atau aplikasi Desktop yang memerlukan koneksi jaringan Office (Intranet/Internet) maupun jaringan SCADA (Supervisory Control and Data Acquisition). Sehingga apabila terjadi gangguan jaringan, gangguan tersebut harus segera diatasi agar tidak berdampak luas terhadap proses bisnis dan pelayanan. Saat ini, penyelesaian gangguan yang ditargetkan tidak boleh melebihi target kinerja yang sudah ditentukan, yaitu penyelesaian gangguan Office ditargetkan dalam waktu 1,85 jam per bulan dan SCADA Non Redundant dalam waktu 2,16 jam per bulan. Namun, saat ini apabila terjadi gangguan jaringan, estimasi penormalan gangguan yang sedang berjalan belum memiliki standar atau dasar yang baku, sehingga solusi saat ini belum efektif dalam memberikan informasi estimasi penormalan gangguan yang akurat. Prediksi waktu optimal dalam penormalan gangguan layanan jaringan Office dan SCADA yang akurat dan efisien sangat penting untuk keberlangsungan operasional. Di samping itu, tim yang bekerja memulihkan gangguan di lapangan perlu memiliki target waktu berdasarkan riwayat penyelesaian gangguan jaringan yang sudah terjadi sebelumnya. Apabila penyelesaian gangguan dapat diatasi sebelum target yang sudah ditentukan, maka dapat dijadikan acuan dalam pemulihan gangguan jaringan. Namun, apabila pemulihan gangguan melebihi target yang sudah ditentukan, perlu dikaji kembali strategi apa yang harus diambil agar pemulihan gangguan layanan jaringan tidak melebihi waktu yang ditetapkan. Mengacu pada permasalahan tersebut, peneliti ingin menerapkan sebuah metode yang dapat meningkatkan akurasi prediksi dalam menentukan kelas waktu optimal durasi penormalan gangguan layanan jaringan Office dan SCADA. Ada beberapa metode untuk menentukan durasi gangguan namun, masih sedikit penelitian yang menggunakan metode berbasis pembelajaran mesin (Machine Learning) untuk menentukan kelas durasi pemulihan gangguan (Joyokusumo et al., 2020). Machine Learning dapat digambarkan sebagai metode untuk membuat program belajar dari pengalamannya dan meningkatkan eksekusi tugas dengan mendapatkan lebih banyak pengalaman (Ray, 2019). Dalam kerangka konseptual Kecerdasan Buatan (AI), Machine Learning berperan sebagai model yang dapat diterapkan sebagai model yang sudah dilatih sekali dalam agen cerdas tanpa kemungkinan belajar wawasan tambahan dari lingkungan (Kühl et al., 2019). Mengacu pada metode tersebut, peneliti menggunakan beberapa metode berbasis Machine Learning, yaitu Random Forest Classifier dan XGBoost (Extreme Gradient Boosting) dalam memprediksi kelas durasi penormalan gangguan layanan jaringan. Dilakukan juga perbandingan akuarasi menggunakan Naïve Bayes Classifier dan Support Vector Machine. Dataset yang digunakan dalam penelitian ini bersumber dari data gangguan jaringan SCADA maupun Office dari bulan Januari 2021 sampai dengan Oktober 2024 dan saat ini berisi 2591 data gangguan. Variabel (fitur input) yang digunakan dalam penelitian ini terdiri dari 5 variabel, yaitu SID, Stop Clock (Durasi), Ticket Open, Action, Detail Gangguan dan satu variabel target yaitu Durasi Gangguan. Manfaat yang diperoleh dengan melakukan prediksi kelas durasi penormalan gangguan adalah memberikan kontribusi bagi pengembangan strategi manajemen penormalan gangguan yang lebih efektif dan efisien apabila telah diketahui estimasi prediksi penormalan gangguan layanan jaringan. Di sisi lain, pengambilan strategi penanganan penormalan gangguan layanan jaringan dapat dikaji kembali untuk mengurangi risiko pemulihan gangguan yang memakan waktu lebih lama. Dengan adanya prediksi yang lebih akurat, tim pemulihan dapat bekerja lebih efisien dan tepat sasaran, serta memastikan bahwa gangguan yang terjadi tidak berdampak signifikan terhadap operasi bisnis perusahaan. Teknologi Machine Learning dalam memprediksi kelas durasi penormalan gangguan jaringan diharapkan mampu menjaga kontinuitas layanan yang kritis bagi perusahaan seperti PT PLN (Persero). Dengan demikian, model prediksi yang dikembangkan dapat menjadi alat penting dalam manajemen pemulihan gangguan jaringan dan memberikan informasi yang diperlukan untuk pengambilan keputusan yang lebih baik serta strategi penanganan yang lebih efektif.